1 installazione R Markdown

Si presume che abbiate già installato R (https://www.r-project.org) (R Core Team 2023) e l’IDE RStudio (https://www.rstudio.com). RStudio non è obbligatorio ma consigliato, perché rende più facile per un utente medio lavorare con R Markdown. Se non avete installato l’IDE RStudio, dovrete installare Pandoc (http://pandoc.org), altrimenti non c’è bisogno di installare Pandoc separatamente perché RStudio lo ha fornito in bundle. Quindi si può installare il pacchetto rmarkdown in R.

Se si vuole generare un output PDF, è necessario installare LaTeX. Agli utenti di R Markdown che non hanno mai installato LaTeX, consigliamo di installare TinyTeX (https://yihui.name/tinytex/).

2 introduzione

R Markdown è un pacchetto gratuito di R che offre un framework completo per l’autoreferenzialità nella scienza dei dati. Consente di utilizzare un unico file R Markdown sia per scrivere ed eseguire codice, sia per generare report di alta qualità, facilmente condivisibili con chiunque.

Questo strumento è stato progettato per promuovere la riproducibilità, poiché combina il codice di calcolo e la narrazione all’interno dello stesso documento, generando automaticamente i risultati a partire dal codice sorgente. R Markdown supporta numerosi formati di output, sia statici che dinamici/interattivi.

È possibile creare un file di testo di questo tipo utilizzando qualsiasi editor, incluso RStudio. Se si utilizza RStudio, è sufficiente selezionare “File” dal menu, poi “New file” e infine “R Markdown” per creare un nuovo file Rmd.

Un documento R Markdown è composto da tre elementi fondamentali: i metadati, il testo e il codice. I metadati sono racchiusi tra due coppie di tre trattini (—). La sintassi dei metadati è in formato YAML, motivo per cui vengono talvolta chiamati “metadati YAML” o “frontmatter YAML”.

È importante notare che l’indentazione è fondamentale in YAML; quindi, assicurati di indentare correttamente i sottocampi rispetto ai campi superiori.

Il corpo di un documento R Markdown segue i metadati. La sintassi per il testo, conosciuta anche come prosa o narrativa, è in Markdown. Ci sono due tipi di codice:

Un blocco di codice inizia con tre trattini inversi, come ({r}), dove “r” indica il linguaggio utilizzato, e termina anch’esso con tre trattini inversi. All’interno delle parentesi graffe è possibile specificare le opzioni del chunk; ad esempio, per impostare l’altezza della figura a 5 pollici, si scrive {r, fig.height=5}.

Inoltre, un’espressione di codice R inline inizia con r e termina con un backtick . La figura 1 mostra l’output in RStudio.

...

…

2.1 compilare un documento

Il modo più comune per compilare un documento R Markdown è cliccare sul pulsante Knit, il corrispondente collegamento da tastiera è Ctrl + Shift + K (Cmd + Shift + K su macOS). In pratica, RStudio utilizza la funzione rmarkdown::render() per elaborare il documento in una nuova sessione di R. È importante notare che questo aspetto spesso crea confusione tra gli utenti di R Markdown: rendere un documento Rmd in una nuova sessione significa che nessuno degli oggetti della sessione R attuale (come quelli creati nella console di R) sarà accessibile in quella nuova sessione. La riproducibilità è la ragione principale per cui RStudio adotta questo metodo: spesso si desidera che i documenti funzionino anche quando si riapre R o in ambienti di calcolo diversi.

Se hai bisogno di elaborare un documento nella sessione corrente di R, puoi anche chiamare tu stesso rmarkdown::render() e fornire il percorso del file Rmd come argomento. Il secondo argomento è il formato di output, che di default corrisponde al primo formato specificato nei metadati YAML (se assente, il default è html_document). Se hai più formati di output nei metadati e non vuoi utilizzare il primo, puoi specificare quello che preferisci come secondo argomento; ad esempio, per un documento Rmd chiamato foo.Rmd con i metadati:

’’’{r}
output:
html_document:
toc: true
pdf_document:
keep_tex: true
’’’

Puoi quindi compilarlo in PDF con:

’’’{r}
rmarkdown::render(‘foo.Rmd’, ‘pdf_document’)
’’’

Questa chiamata alla funzione ti offre maggiore flessibilità (ad esempio, puoi generare una serie di report in un ciclo), ma è fondamentale considerare la riproducibilità quando utilizzi questo metodo. Naturalmente, puoi avviare una nuova sessione R pulita e chiamare rmarkdown::render() in quella sessione. Se non interagisci manualmente con quella sessione (come creando variabili nella console), i tuoi report dovrebbero rimanere riproducibili.

È importante notare che è possibile generare una serie di report da un singolo documento R Markdown, parametrizzando il documento stesso e creando report diversi utilizzando parametri differenti.

3 Sintassi

Markdown è un linguaggio di markup che consente di scrivere testo formattato in modo semplice e leggibile. Quando scrivi in R Markdown, usi la sintassi di Markdown per formattare il testo, inserire link, immagini, tabelle, liste e così via, senza dover usare HTML o altri linguaggi di markup complessi.

Ecco una panoramica più dettagliata della sintassi Markdown che puoi usare all’interno di un documento R Markdown.

3.1 Titoli

Le intestazioni servono per strutturare il documento e indicare i vari livelli di titoli o sezioni. In Markdown, puoi creare intestazioni usando il simbolo # seguito dal testo del titolo. Più # metti, più il livello del titolo è basso. Sono previsti fino a sei livelli di titoli.

  • Titolo di livello 1 (più grande, usato per il titolo principale)

Questo è un titolo di livello 1

Questo è un titolo di livello 2

  • Titolo di livello 3 (sottosezioni)

Questo è un titolo di livello 3

3.2 Grassetto e corsivo

In Markdown, puoi formattare il testo per renderlo in grassetto, in corsivo, o barra attraverso (per cancellare una parola). Ecco come:

  • grassetto: Per rendere il testo in grassetto, usa due asterischi ** o due underscore __ all’inizio e alla fine del testo.

Testo in grassetto Testo in grassetto

  • corsivo: Per il corsivo, usa un asterisco * o un underscore _ all’inizio e alla fine del testo.

Testo in corsivo Testo in corsivo

  • grassetto e corsivo insieme:Puoi combinare il grassetto e il corsivo usando tre asterischi *** o tre underscore ___.

Grassetto e Corsivo

  • barrato: (per cancellare una parola): Usa due tilde ~~ attorno al testo.

Testo barrato

3.3 Lista

Markdown supporta due tipi di liste: non ordinate (puntate) e ordinate (numerate).

  • lista non ordinata:Usa asterischi *, plus + o meno - per creare punti di lista.

  • Punto 1

  • Punto 2

  • Punto 3

Puoi anche usare + o - al posto di *:

  • Punto 1
  • Punto 2
  • Punto 3

Esempio di lista annidata:

  • Punto 1

    • Sottopunto 1
    • Sottopunto 2

  • Punto 2

  • lista ordinata:Usa numeri seguiti da un punto per creare una lista numerata.

  1. Primo punto
  2. Secondo punto
  3. Terzo punto

Le liste numerate supportano anche l’annidamento:

  1. Primo punto
    1. Sottopunto 1
    2. Sottopunto 2
  2. Secondo punto

3.5 citazioni

Markdown permette anche di formattare le citazioni utilizzando il simbolo >. Questo è utile per includere estratti di testo, citazioni o note.

> “La scienza è un modo di pensare molto più che un insieme di conoscenze.” – Carl Sagan

Risultato:

“La scienza è un modo di pensare molto più che un insieme di conoscenze.” – Carl Sagan

3.6 codice inline e blocchi di codice

Markdown ti consente di formattare anche il codice, che è una delle caratteristiche principali in R Markdown. Puoi inserire il codice inline (una singola riga di codice) e i blocchi di codice (più righe di codice).

  • codice inline: Si inserisce usando i backticks (`).

Il codice x <- rnorm(100) genera 100 numeri casuali.

Oltre ai chunk di codice, puoi anche inserire i valori degli oggetti R inline nel testo. Ad esempio:

x = 5  # raggio di un cerchio

Per un cerchio con raggio 5, la sua area è 78.5398163.

  • Blocchi di codice: Per creare un blocco di codice, si usano tre backticks (```), seguiti dal linguaggio di programmazione (ad esempio r per R) per indicare che il codice è R. Il codice verrà evidenziato di conseguenza.
x <- rnorm(100)
hist(x)

Risultato: Mostra il codice in un blocco di codice, che può essere eseguito (in R Markdown).

3.7 Tabelle

Le tabelle in Markdown possono essere create usando pipe (|) e trattini (-) per definire le righe e le colonne.

Intestazione 1 Intestazione 2
Riga 1 Col 1 Riga 1 Col 2
Riga 2 Col 1 Riga 2 Col 2

3.8 Codici LaTeX per le equazioni matematiche

Come nel caso di formule matematiche inline o su più righe, utilizzando il formato \[ ... \] o $ … $.

\[\begin{array}{ccc} x_{11} & x_{12} & x_{13}\\ x_{21} & x_{22} & x_{23} \end{array}\]

\[\Theta = \begin{pmatrix}\alpha & \beta\\ \gamma & \delta \end{pmatrix}\]

3.9 opzioni di knitr

Le opzioni di knitr in R Markdown sono impostazioni che controllano come il codice R è eseguito e come i suoi risultati vengono visualizzati nel documento finale. Le opzioni di knitr sono specificate nei blocchi di codice R all’interno del documento, subito dopo l’apertura del blocco (tra le parentesi graffe). Queste opzioni ti permettono di personalizzare il comportamento di ogni blocco di codice, come l’esecuzione del codice, la visualizzazione del codice, l’output dei grafici e altro ancora.

Sintassi di base delle opzioni

Un blocco di codice R in R Markdown ha la seguente sintassi: {r opzioni}
# Codice R qui

Le opzioni di knitr sono specificate come coppie nome = valore dentro le parentesi graffe, separate da virgole.

Ci sono molte opzioni di chunk in knitr documentate su https://yihui.name/knitr/options. Elenchiamo un sottoinsieme di esse di seguito:

1.echo:

  • Descrizione: Controlla se il codice deve essere mostrato nel documento finale.

  • Valori:

    • TRUE (mostra il codice)
    • FALSE (non mostra il codice)

’’’{r, echo=FALSE}
x <- 1:10
y <- x^2
plot(x, y)
’’’

2.eval:

  • Descrizione: Determina se il codice deve essere eseguito o meno.

  • Valori:

    • TRUE (esegue il codice)
    • FALSE (non esegue il codice)

’’’{r, eval=FALSE}
x <- rnorm(100)
summary(x)
’’’

3.message:

  • Descrizione: Controlla se i messaggi (come quelli generati dalla funzione message()) devono essere visualizzati.

  • Valori:

    • TRUE (mostra i messaggi)
    • FALSE (nasconde i messaggi)

’’’{r, message=FALSE}
message(“Questo è un messaggio di prova”)
’’’

Il messaggio non apparirà nel documento finale.

4.warning:

  • Descrizione: Controlla se gli avvisi (come quelli generati dalla funzione warning()) devono essere visualizzati.

  • Valori:

    • TRUE (mostra gli avvisi)
    • FALSE (nasconde gli avvisi)

’’’{r, warning=FALSE}
warning(“Questo è un avviso”)
’’’

L’avviso non verrà visualizzato nel documento finale.

5.results:

  • Descrizione: Determina come i risultati del codice devono essere visualizzati.

  • Valori:

    • markup(i risultati sono mostrati come testo formattato)
    • asis(i risultati sono mostrati senza modifiche, utile per includere tabelle o formule LaTeX)
    • hide(i risultati non vengono mostrati)
    • hold(ritarda la visualizzazione dei risultati)

’’‘{r, results=’asis’}
summary(cars)
’’’

In questo caso, i risultati del comando summary(cars) verranno visualizzati senza modifiche.

6.fig.show:

  • Descrizione: Controlla quando la figura deve essere mostrata.

  • Valori:

    • animate(le figure vengono mostrate una per una)
    • hold(ritarda la visualizzazione della figura fino a quando non viene completata tutta l’esecuzione)
    • hide(nasconde le figure)

’’‘{r, fig.show=’hide’}
plot(1:10)
’’’

La figura non verrà mostrata nel documento finale.

7.out.width e out.height:

  • Descrizione: Controllano la larghezza e l’altezza dell’immagine nel documento di output.

  • Valori:Le dimensioni desiderate per l’immagine (ad esempio in percentuale o in unità fisiche come in, cm, ecc.).

’’‘{r, out.width=’50%’}
plot(1:10)
’’’

La figura non verrà mostrata nel documento finale.

8.fig.align: * Descrizione: Controlla l’allineamento delle immagini nel documento.

  • Valori:
    • left
    • center
    • right

’’‘{r, fig.align=’center’}
plot(1:10)
’’’

Il grafico verrà centrato nella pagina.

9.cache:

  • Descrizione: Controlla se i risultati di un blocco di codice devono essere memorizzati nella cache per evitarne il ricalcolo nelle esecuzioni successive.

  • Valori:

    • TRUE(memorizza nella cache)
    • FALSE(non memorizza nella cache)

’’’{r, cache=FALSE}
x <- rnorm(100)
mean(x)
’’’

Questo blocco memorizza nella cache il risultato della funzione mean(x), quindi non dovrà essere ricalcolato in una esecuzione successiva del documento.

10.collapse:

  • Descrizione: L’opzione collapse è utilizzata per determinare se il codice e i risultati devono essere uniti in un unico blocco di testo o separati su più righe.

  • Valori:

    • TRUE Unisce il codice e i risultati in un blocco continuo.
    • FALSE Mostra il codice e i risultati separati su righe diverse.

Questa opzione è utile per migliorare la leggibilità, specialmente quando il codice e l’output sono di piccole dimensioni.

’’’{r, collapse=TRUE}
x <- 1:5
y <- x^2
x
y
’’’

Con collapse=TRUE, il codice e i risultati vengono visualizzati insieme senza interruzione tra le righe.

Se invece usi collapse=FALSE, ogni linea di codice e di risultato sarà separata.

’’’{r, collapse=FALSE}
x <- 1:5
y <- x^2
x
y
’’’

11.include:

  • Descrizione: L’opzione include controlla se il blocco di codice e i suoi risultati devono essere inclusi nel documento finale.

  • Valori:

    • TRUE Include il codice e l’output nel documento finale (comportamento predefinito).
    • FALSE Esclude il blocco di codice e il suo output dal documento finale.

Questa opzione è utile se vuoi eseguire codice ma non vuoi che appaia nel documento finale.

’’’{r, include=FALSE}
x <- rnorm(100)
summary(x)
’’’

In questo caso, il codice verrà eseguito, ma né il codice né l’output appariranno nel documento finale.

12.dev:

  • Descrizione: L’opzione dev specifica il dispositivo grafico da utilizzare per la creazione di immagini (grafici). Viene utilizzata per salvare i grafici in diversi formati.

  • Valori:

    • pdf: salva il grafico in formato PDF.
    • png: salva il grafico in formato PNG.
    • jpeg: salva il grafico in formato JPEG.
    • tiff: salva il grafico in formato TIFF.
    • svg: salva il grafico in formato SVG.
    • postscript: salva il grafico in formato PostScript.

’’‘{r, dev=’png’}
plot(1:10, main=“Grafico in PNG”)
’’’

In questo caso, il grafico verrà salvato come immagine PNG con le dimensioni specificate.

13.fig.cap:

  • Descrizione: L’opzione fig.cap consente di aggiungere una didascalia (caption) a un grafico o figura.

  • Valori:

    • stringa: la didascalia che desideri associare al grafico o alla figura.

Questa opzione è utile quando vuoi aggiungere un commento o una descrizione ai grafici nel documento finale.

’’’{r, fig.cap=“grafico della funzione quadratica”}
x <- 1:10
y <- x^2
plot(x, y)
’’’

Il grafico sarà accompagnato dalla didascalia “Grafico della funzione quadratica” nel documento finale.

14.child:

  • Descrizione: L’opzione child è usata per includere un altro file R Markdown come un “figlio” all’interno del documento corrente. Il file figlio può essere un intero documento R Markdown che viene eseguito e incluso nel documento principale.

  • Valori:

    • Nome del file di R Markdown (ad esempio, file.Rmd).

Questa opzione è utile per creare documenti modulari, in cui si desidera includere un documento R Markdown separato in un altro documento.

Esempio: Immagina di avere un documento R Markdown principale (main.Rmd) e un documento figlio (child.Rmd).

main.Rmd {r, }

child.Rmd ’’’{r, child=main.Rmd}
summary(cars)
’’’

Quando il documento principale (main.Rmd) viene eseguito, il codice e l’output di child.Rmd verranno inclusi nel documento finale.

4 Spiegazione dei vari format di Output

R Markdown supporta una vasta gamma di formati di output per creare documenti in vari formati, inclusi HTML, PDF, Word, Microsoft PowerPoint, LaTeX, Beamer e altri. Ogni formato ha il suo scopo e può essere configurato con diverse opzioni di personalizzazione, a seconda delle esigenze del documento. Di seguito, esplorerò i principali formati di output che puoi utilizzare con R Markdown e le principali opzioni per ogni tipo di output.

  1. HTML Il formato HTML è uno dei più comuni in R Markdown e permette di generare pagine web interattive e dinamiche. È molto utilizzato per la visualizzazione di documenti che devono essere facilmente condivisi online.
  • Sintassi di output: Per creare un documento HTML, puoi specificare il formato nel blocco output nel frontmatter del tuo documento R Markdown:

output: html_document

  • opzioni principali
    • html_document: Il formato di base per un documento HTML.
    • html_document: Può essere configurato ulteriormente per includere opzioni come la personalizzazione del tema, l’inclusione di tabelle interattive, ecc.

Esempio:

output:
—
html_document:
toc: true # Aggiunge un sommario (table of contents)
toc_depth: 2 # Imposta la profondità del sommario
theme: united # Tema della pagina
—

  • Altri formati HTML: R Markdown supporta anche formati HTML avanzati come:

    • html_notebook: Produce un documento che può essere interattivo come un Jupyter notebook.
    • html_vignette: Un formato per generare vignettes per pacchetti R, che include un’intestazione personalizzata.
  1. PDF Il formato PDF è ideale per la produzione di documenti di alta qualità, come report scientifici, articoli o tesi. La generazione di PDF da R Markdown richiede LaTeX, un sistema di preparazione di documenti.
  • Sintassi di output: Per generare un documento PDF, specifica il formato nel frontmatter:

output: pdf_document

  • opzioni principali:
    • pdf_document: Il formato base per creare documenti PDF.
    • latex_engine: Specifica quale motore LaTeX utilizzare (ad esempio, xelatex o lualatex per miglior compatibilità con font e caratteri speciali).
    • toc: Aggiunge un sommario (table of contents).
    • number_sections: Numerazione delle sezioni.

Esempio:

—
output:
pdf_document:
toc: true # Aggiunge un sommario
number_sections: true # Numerazione automatica delle sezioni
latex_engine: xelatex # Usa xelatex per il motore LaTeX
—

  • opzioni avanzate:
    • Puoi aggiungere personalizzazioni più avanzate utilizzando LaTeX o un file .tex personalizzato.
  1. Word (DOCX)

Il formato Word consente di generare documenti Microsoft Word direttamente da R Markdown, utili per report aziendali o documenti che devono essere modificati facilmente.

  • sintassi di output: per generare un documento Word, specifica il formato nel frontmatter:

output: word_document

  • opzioni principali:
    • word_document: Il formato base per generare documenti Word.
    • reference_docx: Permette di specificare un documento di riferimento per applicare uno stile personalizzato.
    • toc: Aggiunge un sommario.

Esempio:

—
output:
word_document:
toc: true # Aggiunge un sommario
reference_docx: “template.docx” # Usa un documento di template per stili personalizzati
—

  1. PowerPoint (PPTX) Il formato PowerPoint permette di generare presentazioni in formato Microsoft PowerPoint.
  • sintassi di output: per generare un documento Word, specifica il formato nel frontmatter:

output: powerpoint_presentation

  • opzioni principali:
    • powerpoint_presentation: Il formato base per generare presentazioni PowerPoint.
    • slide_level: Imposta il livello di intestazione per determinare la gerarchia delle slide.
    • transition: Definisce l’effetto di transizione tra le slide (ad esempio, fade).

Esempio:

—
output:
powerpoint_presentation:
slide_level: 2 # Imposta il livello di intestazione per le slide
transition: fade # Aggiunge la transizione fade tra le slide
—

  1. Beamer(LaTeX) Beamer è un pacchetto LaTeX utilizzato per creare presentazioni. Può essere utilizzato tramite R Markdown per generare presentazioni professionali in LaTeX.
  • sintassi di output: Per creare una presentazione Beamer, specifica il formato nel frontmatter:

output: beamer_presentation

  • opzioni principali:
    • beamer_presentation: Il formato base per generare presentazioni Beamer.
    • theme: Scegli un tema per la presentazione (ad esempio, Madrid, Copenhagen, ecc.).
    • colortheme: Scegli un tema di colore per le slide.

Esempio:

—
output:
beamer_presentation:
theme: Madrid # Imposta il tema delle slide
colortheme: seahorse # Imposta il tema di colore
—

  1. HTML Widgets e Shiny R Markdown supporta anche documenti interattivi con HTML widgets (grafici interattivi, tabelle, mappe, ecc.) o Shiny per creare applicazioni web interattive. Questi formati sono utili per documenti che richiedono interattività.
  • sintassi di output:

output: html_document

  • opzioni principali:
    • self_contained: Genera una versione autonoma del documento HTML, che può essere visualizzata senza la necessità di risorse esterne.
    • interactive: Quando usi Shiny, interactive: true crea un’interfaccia web interattiva.
  1. LaTeX Anche se R Markdown di solito utilizza LaTeX per generare documenti PDF, è possibile esportare direttamente in LaTeX (file .tex) senza generare un PDF finale.
  • sintassi di output:

output: latex_document

  • opzioni principali:
    • latex_document: Il formato base per generare un file .tex.
    • highlight: Imposta il tipo di evidenziazione della sintassi del codice.
    • keep_tex: Mantiene il file .tex generato (utile per la modifica).

Esempio:

—
output:
latex_document:
highlight: tango # Imposta il tema di evidenziazione del codice
keep_tex: true # Mantiene il file .tex
—

  1. Output personalizzati: Pandoc R Markdown supporta anche Pandoc per la creazione di documenti in formati personalizzati. Puoi scegliere tra una vasta gamma di formati di output (es. epub, docx, rtf, odt, pptx e molti altri) utilizzando Pandoc come strumento di conversione.
  • sintassi di output:

output: output: pandoc_document

  • opzioni principali:
    • pandoc_document: Usa Pandoc per creare documenti in vari formati.
    • format: Specifica il formato di output desiderato (ad esempio, pdf, docx, html, ecc.).

5 programmazione su R Markdown

In R Markdown, puoi scrivere e eseguire diversi tipi di codice di programmazione oltre a R, grazie alla sua integrazione con diversi linguaggi di programmazione. I vari tipi di programmazione che puoi usare in R Markdown sono:

  1. R (il linguaggio principale)

R Markdown è pensato principalmente per lavorare con R, il linguaggio di programmazione per l’analisi statistica e la visualizzazione dei dati. I chunk di codice R sono quelli più comuni in R Markdown e ti permettono di eseguire operazioni statistiche, manipolazioni dei dati, grafici e tanto altro.

  • Esempio di un chunk di codice R: ’’’{r}
    x <- rnorm(100)
    mean(x)
    ’’’
  1. Python

R Markdown permette di eseguire codice Python tramite l’integrazione con reticulate, un pacchetto che permette di eseguire codice Python all’interno di R Markdown. Puoi usare Python per l’analisi dei dati, la creazione di grafici, l’uso di modelli di machine learning, ecc.

  • Esempio di un chunk di codice Python: ’’’{python}
    import numpy as np
    x = np.random.randn(100)
    np.mean(x)
    ’’’

  • Per eseguire Python in R Markdown, dovrai avere Python installato e configurare reticulate per l’integrazione tra R e Python.

  1. SQL

Puoi eseguire query SQL direttamente da R Markdown utilizzando il pacchetto DBI o strumenti specifici come RSQLite o pool. Questo è utile quando si lavora con database relazionali e si desidera eseguire operazioni SQL direttamente nel documento.

  • Esempio di un chunk di codice SQL:

’’’{sql connection=}
SELECT * FROM my_table WHERE column > 10
’’’

  • Nota: Per utilizzare SQL in R Markdown, dovrai configurare il chunk SQL correttamente, in modo che venga connesso a un database e possieda la sintassi adatta per il tipo di database che stai utilizzando.
  1. Shell (Bash, Zsh, etc.)

R Markdown supporta anche l’esecuzione di comandi di shell. Se stai lavorando in un ambiente Unix-like (come Linux o macOS), puoi eseguire comandi shell direttamente nel tuo documento per interagire con il sistema operativo, gestire file, installare pacchetti e molto altro.

*Esempio di un chunk di shell:

’’’{bash}
echo “Ciao, mondo!”
ls -l
’’’

  • Questo è utile per la gestione dei file e per automatizzare operazioni tramite la linea di comando.
  1. JavaScript

Puoi eseguire JavaScript nei tuoi documenti R Markdown, particolarmente utile per documenti HTML, dove hai bisogno di interattività sul lato client. Ad esempio, puoi usare JavaScript per creare interazioni più avanzate o animazioni in un documento HTML.

  • Esempio di un chunk di JavaScript:

’’’{js}
console.log(“Hello from JavaScript”)
’’’

  1. CSS

Anche se R Markdown non esegue direttamente CSS come codice, puoi includere e personalizzare il tuo documento HTML con il CSS. Puoi usare CSS per stilizzare l’aspetto del tuo documento, modificando il layout, i colori, i caratteri e altri aspetti visivi.

  • Esempio di personalizzazione CSS:

’’’{css}
body {
font-family: Arial, sans-serif;
}
’’’

  1. LaTeX

Puoi includere codice LaTeX nei tuoi documenti R Markdown per scrivere formule matematiche e simboli. LaTeX è particolarmente utile per documenti scientifici o tecnici che richiedono una notazione matematica avanzata.

  • Esempio di un’equazione LaTeX:

’’’{markdown}
begin{equation} E = mc^2 end{equation}
}
’’’

  1. Haskell, Julia, Ruby e altri linguaggi

R Markdown supporta anche altri linguaggi di programmazione grazie a pacchetti che permettono l’esecuzione di codice in questi linguaggi. Per esempio, eseguire Haskell, Julia, Ruby e altri linguaggi è possibile, ma richiede configurazioni aggiuntive, come l’uso di reticulate o di pacchetti di interfaccia specifici.

  • Esempio di codice Julia:

’’’{julia}
using Random
x = randn(100)
mean(x)
’’’

  1. Groovy, Perl, Scala, e altri linguaggi

Allo stesso modo di Haskell e Julia, è possibile eseguire linguaggi come Groovy, Perl, Scala e altri, ma richiedono l’installazione di pacchetti di interfaccia specifici per R Markdown.

  • Esempio di codice Groovy:

’’’{groovy}
println “Hello from Groovy”
’’’

  1. R Markdown con Shiny

Shiny è un framework per costruire applicazioni web interattive in R. Puoi integrare Shiny nei tuoi documenti R Markdown per creare documenti interattivi, dove l’utente può interagire con i dati e visualizzazioni in tempo reale, tramite controlli come slider, pulsanti e altri widget.

  • Esempio di un’applicazione Shiny: ’’’{r}
    shinyApp(
    ui = fluidPage(sliderInput(“slider”, “Slide Me”, min = 1, max = 100, value = 50)),
    server = function(input, output) { output\(value <- renderText({** **input\)slider }) }
    )
    ’’’
  1. C, C++

R Markdown supporta anche linguaggi come C e C++ tramite l’interfaccia con il pacchetto Rcpp. Questo ti permette di scrivere codice ad alte prestazioni direttamente nei tuoi documenti R Markdown.

  • Esempio di codice C++ in R Markdown:
    ’’’{cpp}
    #include <Rcpp.h>
    using namespace Rcpp;

// [[Rcpp::export]]
NumericVector add_one(NumericVector x) {
return x + 1;
}
)
’’’

5.1 grafici in Markdown con pacchetti grafici

  • ggplot2 Questo esempio crea un grafico a dispersione che mostra la relazione tra la cilindrata (displ) e il consumo autostradale (hwy) delle auto, differenziato per categoria di auto (class).

  • lattice Viene creato un grafico a dispersione che mostra la relazione tra cilindrata e consumo autostradale, suddiviso per categorie di auto (class). Ogni pannello rappresenta una categoria diversa. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.
library(lattice)
data(mpg)
xyplot(hwy ~ displ | class, data = mpg, layout = c(3, 2))

  • highcharter Si utilizza per creare un grafico a dispersione interattivo e avanzato, che mostra la relazione tra cilindrata e consumo autostradale, con i punti colorati in base alla categoria di auto. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.
library(highcharter)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
## 
## Caricamento pacchetto: 'highcharter'
## Il seguente oggetto è mascherato da 'package:flextable':
## 
##     colorize
data(mpg)
hchart(mpg, "scatter", hcaes(x = displ, y = hwy, group = class)) %>%
  hc_title(text = "Relazione tra cilindrata e consumo")
  • DiagrammeR Crea un diagramma semplice con un nodo a forma di scatola collegato a un nodo a forma di cerchio. Utilizza il linguaggio Graphviz attraverso il pacchetto DiagrammeR. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.
library(DiagrammeR)
grViz("
digraph boxes_and_circles {
  a [shape = box]
  b [shape = circle]
  a -> b
}
")
  • leaflet Con leaflet, viene creata una mappa interattiva che mostra un marker posizionato su Firenze. Gli utenti possono navigare e zoomare sulla mappa. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.
library(leaflet)
leaflet() %>%
  addTiles() %>%
  addMarkers(lng = 11.2462600, lat = 43.7792500,
             popup = "Qui è Firenze")
  • rgl Viene creato un grafico 3D interattivo che mostra la relazione tra peso delle auto (wt), consumo (mpg) e potenza del motore (hp) del dataset mtcars. Gli utenti possono ruotare il grafico e visualizzarlo da diverse angolazioni. L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.
library(rgl)
plot3d(mtcars$wt, mtcars$mpg, mtcars$hp,
       col = "red", size = 3)

5.2 libreria flextable

Il pacchetto flextable per R è uno strumento potente per creare e formattare tabelle avanzate in documenti R Markdown, con un supporto particolare per l’esportazione in Word e HTML. È particolarmente utile quando desideri tabelle ben formattate e stilizzate, che vanno oltre le capacità di base di knitr::kable() o xtable. Con flextable, puoi facilmente personalizzare l’aspetto delle tabelle con stili complessi, colori, formati di testo, bordi, e altro ancora.

esempio 1

evidenziare la tabella mtcars Questo esempio crea una tabella stilizzata utilizzando il pacchetto flextable, che permette di visualizzare i dati in modo più leggibile e personalizzabile ed aggiunge una nota sotto la tabella.

library(flextable)
set_flextable_defaults(
  font.family = "Arial", font.size = 10, 
  border.color = "gray", big.mark = "")

ft <- flextable(head(mtcars)) |> 
  bold(part = "header") 
ft

mpg

cyl

disp

hp

drat

wt

qsec

vs

am

gear

carb

21.0

6

160

110

3.90

2.620

16.46

0

1

4

4

21.0

6

160

110

3.90

2.875

17.02

0

1

4

4

22.8

4

108

93

3.85

2.320

18.61

1

1

4

1

21.4

6

258

110

3.08

3.215

19.44

1

0

3

1

18.7

8

360

175

3.15

3.440

17.02

0

0

3

2

18.1

6

225

105

2.76

3.460

20.22

1

0

3

1

ft |> 
  highlight(i = ~ mpg < 22, j = "disp", color = "#ffe842") |> 
  bg(j = c("hp", "drat", "wt"), 
     bg = scales::col_quantile(palette = c("wheat", "red"), domain =NULL)) |> 
  add_footer_lines("The 'mtcars' dataset")
## Warning: Skewed data means we can only allocate 4 unique colours not the 4
## requested

mpg

cyl

disp

hp

drat

wt

qsec

vs

am

gear

carb

21.0

6

160

110

3.90

2.620

16.46

0

1

4

4

21.0

6

160

110

3.90

2.875

17.02

0

1

4

4

22.8

4

108

93

3.85

2.320

18.61

1

1

4

1

21.4

6

258

110

3.08

3.215

19.44

1

0

3

1

18.7

8

360

175

3.15

3.440

17.02

0

0

3

2

18.1

6

225

105

2.76

3.460

20.22

1

0

3

1

The 'mtcars' dataset

esempio 2 Viene creata una funzione che permetta di associare un colore di sfondo alle celle in base al valore della correlazione corrispondente.

La funzione assocerà un colore utilizzando la funzione cut().

# correlations ----
library(dplyr)
## 
## Allegato package : 'dplyr'
## I seguenti oggetti sono nascosti da 'package:stats':
## 
##     filter, lag
## I seguenti oggetti sono nascosti da 'package:base':
## 
##     intersect, setdiff, setequal, union
library(tibble)
correlations <- cor(mtcars) |> 
  as.data.frame() |> 
  rownames_to_column(var = "rowname")
correlations
##    rowname        mpg        cyl       disp         hp        drat         wt
## 1      mpg  1.0000000 -0.8521620 -0.8475514 -0.7761684  0.68117191 -0.8676594
## 2      cyl -0.8521620  1.0000000  0.9020329  0.8324475 -0.69993811  0.7824958
## 3     disp -0.8475514  0.9020329  1.0000000  0.7909486 -0.71021393  0.8879799
## 4       hp -0.7761684  0.8324475  0.7909486  1.0000000 -0.44875912  0.6587479
## 5     drat  0.6811719 -0.6999381 -0.7102139 -0.4487591  1.00000000 -0.7124406
## 6       wt -0.8676594  0.7824958  0.8879799  0.6587479 -0.71244065  1.0000000
## 7     qsec  0.4186840 -0.5912421 -0.4336979 -0.7082234  0.09120476 -0.1747159
## 8       vs  0.6640389 -0.8108118 -0.7104159 -0.7230967  0.44027846 -0.5549157
## 9       am  0.5998324 -0.5226070 -0.5912270 -0.2432043  0.71271113 -0.6924953
## 10    gear  0.4802848 -0.4926866 -0.5555692 -0.1257043  0.69961013 -0.5832870
## 11    carb -0.5509251  0.5269883  0.3949769  0.7498125 -0.09078980  0.4276059
##           qsec         vs          am       gear        carb
## 1   0.41868403  0.6640389  0.59983243  0.4802848 -0.55092507
## 2  -0.59124207 -0.8108118 -0.52260705 -0.4926866  0.52698829
## 3  -0.43369788 -0.7104159 -0.59122704 -0.5555692  0.39497686
## 4  -0.70822339 -0.7230967 -0.24320426 -0.1257043  0.74981247
## 5   0.09120476  0.4402785  0.71271113  0.6996101 -0.09078980
## 6  -0.17471588 -0.5549157 -0.69249526 -0.5832870  0.42760594
## 7   1.00000000  0.7445354 -0.22986086 -0.2126822 -0.65624923
## 8   0.74453544  1.0000000  0.16834512  0.2060233 -0.56960714
## 9  -0.22986086  0.1683451  1.00000000  0.7940588  0.05753435
## 10 -0.21268223  0.2060233  0.79405876  1.0000000  0.27407284
## 11 -0.65624923 -0.5696071  0.05753435  0.2740728  1.00000000
##    rowname        mpg        cyl       disp         hp        drat         wt
## 1      mpg  1.0000000 -0.8521620 -0.8475514 -0.7761684  0.68117191 -0.8676594
## 2      cyl -0.8521620  1.0000000  0.9020329  0.8324475 -0.69993811  0.7824958
## 3     disp -0.8475514  0.9020329  1.0000000  0.7909486 -0.71021393  0.8879799
## 4       hp -0.7761684  0.8324475  0.7909486  1.0000000 -0.44875912  0.6587479
## 5     drat  0.6811719 -0.6999381 -0.7102139 -0.4487591  1.00000000 -0.7124406
## 6       wt -0.8676594  0.7824958  0.8879799  0.6587479 -0.71244065  1.0000000
## 7     qsec  0.4186840 -0.5912421 -0.4336979 -0.7082234  0.09120476 -0.1747159
## 8       vs  0.6640389 -0.8108118 -0.7104159 -0.7230967  0.44027846 -0.5549157
## 9       am  0.5998324 -0.5226070 -0.5912270 -0.2432043  0.71271113 -0.6924953
## 10    gear  0.4802848 -0.4926866 -0.5555692 -0.1257043  0.69961013 -0.5832870
## 11    carb -0.5509251  0.5269883  0.3949769  0.7498125 -0.09078980  0.4276059
##           qsec         vs          am       gear        carb
## 1   0.41868403  0.6640389  0.59983243  0.4802848 -0.55092507
## 2  -0.59124207 -0.8108118 -0.52260705 -0.4926866  0.52698829
## 3  -0.43369788 -0.7104159 -0.59122704 -0.5555692  0.39497686
## 4  -0.70822339 -0.7230967 -0.24320426 -0.1257043  0.74981247
## 5   0.09120476  0.4402785  0.71271113  0.6996101 -0.09078980
## 6  -0.17471588 -0.5549157 -0.69249526 -0.5832870  0.42760594
## 7   1.00000000  0.7445354 -0.22986086 -0.2126822 -0.65624923
## 8   0.74453544  1.0000000  0.16834512  0.2060233 -0.56960714
## 9  -0.22986086  0.1683451  1.00000000  0.7940588  0.05753435
## 10 -0.21268223  0.2060233  0.79405876  1.0000000  0.27407284
## 11 -0.65624923 -0.5696071  0.05753435  0.2740728  1.00000000

cor_color <- function(x){
  col_palette <- c("#D73027", "#F46D43", "#FDAE61", "#FEE08B", 
                   "#D9EF8B", "#A6D96A", "#66BD63", "#1A9850")
  mycut <- cut(x, 
    breaks = c(-1, -0.75, -0.5, -0.25, 0, 0.25, 0.5, 0.75, 1), 
    include.lowest = TRUE, label = FALSE)
  col_palette[mycut]
}

std_border <- fp_border_default(color = "white")

Viene applicata la funzione cor_color() ai colori di sfondo delle celle e impostata anche una larghezza e altezza fisse per le celle, in modo da riprodurre un effetto simile a quello delle grafiche heatmap.

ft <- flextable(correlations) %>%
  border_outer(part = "all", border = std_border) %>%
  border_inner(border = std_border, part = "all") %>%
  compose(i = 1, j = 1, value = as_paragraph(""), part = "header") %>%
  compose(j = ~ . - rowname, value = as_paragraph(""), part = "body") %>%
  bg(j = ~ . - rowname, bg = cor_color) %>%
  height(height = .5) %>%
  hrule(rule = "exact", part = "body") %>%
  width(width = .5)

ft

esempio 3

tabelle demografiche con Flextable

Gli studi clinici spesso iniziano con una tabella riassuntiva delle caratteristiche demografiche dei pazienti inclusi nello studio per dimostrare un equilibrio tra i trattamenti e gli altri sottogruppi.

Il formato è standard e può essere realizzato con flextable in 2 operazioni.

I due passaggi per creare queste tabelle sono:

  1. Riassumere le informazioni con la funzione flextable::summarizor(). Essa calcola un insieme di statistiche per ciascuna variabile per gruppi. Restituisce un data.frame pronto per essere utilizzato dalla funzione flextable::as_flextable()

  2. Creare la flextable con la funzione as_flextable() e personalizzarla con le funzioni di flextable.

library(flextable)
library(officer)
library(tidyverse)
library(safetyData)

set_flextable_defaults(
  border.color = "#AAAAAA", font.family = "Arial",
  font.size = 10, padding = 2, line_spacing = 1.5
)
adsl <- select(adam_adsl, AGE, SEX, BMIBLGR1, DURDIS, ARM)
adsl
## # A tibble: 254 × 5
##      AGE SEX   BMIBLGR1 DURDIS ARM                 
##    <dbl> <chr> <chr>     <dbl> <chr>               
##  1    63 F     25-<30     43.9 Placebo             
##  2    64 M     >=30       76.4 Placebo             
##  3    71 M     >=30       42.8 Xanomeline High Dose
##  4    74 M     25-<30     55.3 Xanomeline Low Dose 
##  5    77 F     25-<30     32.9 Xanomeline High Dose
##  6    85 F     >=30       42   Placebo             
##  7    68 M     25-<30     99.1 Xanomeline Low Dose 
##  8    81 F     <25        40.7 Xanomeline Low Dose 
##  9    84 M     <25       102.  Xanomeline Low Dose 
## 10    52 M     <25        44.2 Placebo             
## # ℹ 244 more rows

Viene usata la funzione flextable::summarizor(). Essa produce un data.frame aggregato strutturato per flextable::as_flextable().

dat <- summarizor(adsl, by = "ARM")
dat
##    variable       stat   value1     value2 cts    percent  data_type
## 1       AGE    mean_sd 75.20930   8.590167  NA         NA continuous
## 2       AGE median_iqr 76.00000  12.500000  NA         NA continuous
## 3       AGE      range 52.00000  89.000000  NA         NA continuous
## 4       SEX          F       NA         NA  53 0.61627907   discrete
## 5       SEX          M       NA         NA  33 0.38372093   discrete
## 6  BMIBLGR1        <25       NA         NA  59 0.68604651   discrete
## 7  BMIBLGR1       >=30       NA         NA   6 0.06976744   discrete
## 8  BMIBLGR1     25-<30       NA         NA  21 0.24418605   discrete
## 9    DURDIS    mean_sd 42.65000  30.241572  NA         NA continuous
## 10   DURDIS median_iqr 35.30000  25.775000  NA         NA continuous
## 11   DURDIS      range  7.20000 183.100000  NA         NA continuous
## 12      AGE    mean_sd 74.38095   7.886094  NA         NA continuous
## 13      AGE median_iqr 76.00000   9.250000  NA         NA continuous
## 14      AGE      range 56.00000  88.000000  NA         NA continuous
## 15      SEX          F       NA         NA  40 0.47619048   discrete
## 16      SEX          M       NA         NA  44 0.52380952   discrete
## 17 BMIBLGR1        <25       NA         NA  44 0.52380952   discrete
## 18 BMIBLGR1       >=30       NA         NA  12 0.14285714   discrete
## 19 BMIBLGR1     25-<30       NA         NA  28 0.33333333   discrete
## 20   DURDIS    mean_sd 40.50714  24.693547  NA         NA continuous
## 21   DURDIS median_iqr 35.95000  28.550000  NA         NA continuous
## 22   DURDIS      range  2.20000 135.000000  NA         NA continuous
## 23      AGE    mean_sd 75.66667   8.286051  NA         NA continuous
## 24      AGE median_iqr 77.50000  11.000000  NA         NA continuous
## 25      AGE      range 51.00000  88.000000  NA         NA continuous
## 26      SEX          F       NA         NA  50 0.59523810   discrete
## 27      SEX          M       NA         NA  34 0.40476190   discrete
## 28 BMIBLGR1        <25       NA         NA  47 0.55952381   discrete
## 29 BMIBLGR1       >=30       NA         NA  10 0.11904762   discrete
## 30 BMIBLGR1     25-<30       NA         NA  27 0.32142857   discrete
## 31   DURDIS    mean_sd 48.69167  29.584171  NA         NA continuous
## 32   DURDIS median_iqr 40.25000  39.950000  NA         NA continuous
## 33   DURDIS      range  7.80000 130.800000  NA         NA continuous
##                     ARM
## 1               Placebo
## 2               Placebo
## 3               Placebo
## 4               Placebo
## 5               Placebo
## 6               Placebo
## 7               Placebo
## 8               Placebo
## 9               Placebo
## 10              Placebo
## 11              Placebo
## 12 Xanomeline High Dose
## 13 Xanomeline High Dose
## 14 Xanomeline High Dose
## 15 Xanomeline High Dose
## 16 Xanomeline High Dose
## 17 Xanomeline High Dose
## 18 Xanomeline High Dose
## 19 Xanomeline High Dose
## 20 Xanomeline High Dose
## 21 Xanomeline High Dose
## 22 Xanomeline High Dose
## 23  Xanomeline Low Dose
## 24  Xanomeline Low Dose
## 25  Xanomeline Low Dose
## 26  Xanomeline Low Dose
## 27  Xanomeline Low Dose
## 28  Xanomeline Low Dose
## 29  Xanomeline Low Dose
## 30  Xanomeline Low Dose
## 31  Xanomeline Low Dose
## 32  Xanomeline Low Dose
## 33  Xanomeline Low Dose

Viene eseguita una visualizzazione in cui i trattamenti siano distribuiti nelle colonne e dove il contenuto dei paragrafi sia abbastanza flessibile da consentire la creazione della tabella.

ft <- as_flextable(dat)
ft

Placebo
(N=86)

Xanomeline High Dose
(N=84)

Xanomeline Low Dose
(N=84)

Age

Mean (SD)

75.2 (8.6)

74.4 (7.9)

75.7 (8.3)

Median (IQR)

76.0 (12.5)

76.0 (9.2)

77.5 (11.0)

Range

52.0 - 89.0

56.0 - 88.0

51.0 - 88.0

Sex

F

53 (61.6%)

40 (47.6%)

50 (59.5%)

M

33 (38.4%)

44 (52.4%)

34 (40.5%)

Pooled Baseline BMI Group 1

<25

59 (68.6%)

44 (52.4%)

47 (56.0%)

>=30

6 (7.0%)

12 (14.3%)

10 (11.9%)

25-<30

21 (24.4%)

28 (33.3%)

27 (32.1%)

Duration of Disease (Months)

Mean (SD)

42.6 (30.2)

40.5 (24.7)

48.7 (29.6)

Median (IQR)

35.3 (25.8)

36.0 (28.6)

40.2 (39.9)

Range

7.2 - 183.1

2.2 - 135.0

7.8 - 130.8

Il metodo flextable::as_flextable() supporta gli argomenti del metodo flextable::tabulator(). Viene utilizzato l’argomento spread_first_col = TRUE per separare i nomi delle variabili con delle linee di separazione e non visualizzare più la colonna. Aggiungendo anche una didascalia e una nota in fondo alla tabella, insieme ad alcuni parametri aggiuntivi.

ft <- as_flextable(dat, spread_first_col = TRUE, separate_with = "variable") %>%
  bold(i = ~ !is.na(variable), j = 1, bold = TRUE) %>%
  set_caption(
    autonum = officer::run_autonum(seq_id = "tab", bkm = "demo_tab", bkm_all = FALSE),
    fp_p = officer::fp_par(text.align = "left", padding = 5),
    align_with_table = FALSE,
    caption = as_paragraph(
          "Demographic Characteristics",
          "\nx.x: Study Subject Data"
        )
  ) %>% 
  add_footer_lines("Source: ADaM adsl data frame from r package 'safetyData'") %>% 
  fix_border_issues() %>% 
  autofit()

ft
Demographic Characteristics
x.x: Study Subject Data

Placebo
(N=86)

Xanomeline High Dose
(N=84)

Xanomeline Low Dose
(N=84)

AGE

Mean (SD)

75.2 (8.6)

74.4 (7.9)

75.7 (8.3)

Median (IQR)

76.0 (12.5)

76.0 (9.2)

77.5 (11.0)

Range

52.0 - 89.0

56.0 - 88.0

51.0 - 88.0

SEX

F

53 (61.6%)

40 (47.6%)

50 (59.5%)

M

33 (38.4%)

44 (52.4%)

34 (40.5%)

BMIBLGR1

<25

59 (68.6%)

44 (52.4%)

47 (56.0%)

>=30

6 (7.0%)

12 (14.3%)

10 (11.9%)

25-<30

21 (24.4%)

28 (33.3%)

27 (32.1%)

DURDIS

Mean (SD)

42.6 (30.2)

40.5 (24.7)

48.7 (29.6)

Median (IQR)

35.3 (25.8)

36.0 (28.6)

40.2 (39.9)

Range

7.2 - 183.1

2.2 - 135.0

7.8 - 130.8

Source: ADaM adsl data frame from r package 'safetyData'

Etichette

Questa parte permette di recuperare un set di etichette che viene usato per sostituire alcuni testi visualizzati nella flextable.

La funzione da utilizzare è labelizor(), che prende come argomento un vettore nominato. I nomi sono i valori da sostituire, i valori sono i valori di sostituzione.

Vengono recuperate le etichette delle colonne memorizzate nella tabella originale.

col_labels <- map_chr(adsl, function(x) attr(x, "label"))
##                            AGE                            SEX 
##                          "Age"                          "Sex" 
##                       BMIBLGR1                         DURDIS 
##  "Pooled Baseline BMI Group 1" "Duration of Disease (Months)" 
##                            ARM 
##   "Description of Planned Arm"

ft <- labelizor(ft, j = "stat", labels = col_labels, part = "all")
ft
Demographic Characteristics
x.x: Study Subject Data

Placebo
(N=86)

Xanomeline High Dose
(N=84)

Xanomeline Low Dose
(N=84)

Age

Mean (SD)

75.2 (8.6)

74.4 (7.9)

75.7 (8.3)

Median (IQR)

76.0 (12.5)

76.0 (9.2)

77.5 (11.0)

Range

52.0 - 89.0

56.0 - 88.0

51.0 - 88.0

Sex

F

53 (61.6%)

40 (47.6%)

50 (59.5%)

M

33 (38.4%)

44 (52.4%)

34 (40.5%)

Pooled Baseline BMI Group 1

<25

59 (68.6%)

44 (52.4%)

47 (56.0%)

>=30

6 (7.0%)

12 (14.3%)

10 (11.9%)

25-<30

21 (24.4%)

28 (33.3%)

27 (32.1%)

Duration of Disease (Months)

Mean (SD)

42.6 (30.2)

40.5 (24.7)

48.7 (29.6)

Median (IQR)

35.3 (25.8)

36.0 (28.6)

40.2 (39.9)

Range

7.2 - 183.1

2.2 - 135.0

7.8 - 130.8

Source: ADaM adsl data frame from r package 'safetyData'

5.3 libreria formattable

La libreria formattable di R è uno strumento utile per migliorare la visualizzazione dei dati in R, specialmente quando si lavora con tabelle o dati in formato data.frame. Questa libreria permette di formattare facilmente il contenuto di una tabella, aggiungendo stili, colori e formati personalizzati per rendere più leggibile e interpretabile l’informazione. È particolarmente utile in contesti di reportistica e visualizzazione di dati in cui l’aspetto delle tabelle è importante.

Per un pratico esempio verrà utilizzato un set di dati proveniente dal Portale Open Data di Austin. Si tratta di un sito web progettato per facilitare l’accesso ai dati governativi aperti.

L’esempio riportato sotto può essere visualizzato sul documento html citato precedentemente.

Utilizzeremo formattable sul set di dati degli Indicatori di Imagine Austin. Secondo il sito web di Imagine Austin, il set di dati traccia gli indicatori di performance chiave (KPI) del progresso di Austin nella creazione di una città connessa, vivace e vivibile.

Il termine KPI (Key Performance Indicator, ovvero “Indicatore Chiave di Performance”) viene utilizzato per indicare una misura quantitativa utilizzata per valutare il successo di un’organizzazione, di un progetto o di un’azione specifica in relazione a obiettivi predefiniti. In questo contesto, viene impiegato per monitorare il progresso di Austin nel raggiungere determinati obiettivi di salute e benessere.

Nel caso specifico del set di dati di Imagine Austin, i KPI sono utilizzati per tracciare il progresso della città su vari indicatori chiave legati alla salute (come l’obesità, l’uso di tabacco, le malattie cardiovascolari, ecc.). Ogni KPI rappresenta una misura di performance in un determinato anno, come ad esempio la percentuale di obesità o il tasso di malattie cardiovascolari, che può essere monitorata nel tempo per osservare se ci sono miglioramenti o peggioramenti.

In sintesi, l’uso del termine KPI, in questo caso aiuta a identificare i dati specifici che vengono utilizzati per misurare l’efficacia degli interventi e il raggiungimento degli obiettivi di salute pubblica della città.

#Load the libraries
library(data.table)
library(dplyr)
library(formattable)
library(tidyr)
#Set a few color variables to make our table more visually appealing
customGreen0 = "#DeF7E9"
customGreen = "#71CA97"
customRed = "#ff7f7f"
#Download the Austin indicator data set
austinData= fread('https://raw.githubusercontent.com/lgellis/MiscTutorial/master/Austin/Imagine_Austin_Indicators.csv', data.table=FALSE, header = TRUE, stringsAsFactors = FALSE)
attach(austinData)
## I seguenti oggetti sono mascherati da austinData (pos = 8):
## 
##     #, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016,
##     2017, Data Source, Importance and Relevance to Imagine Austin,
##     Indicator Description, Indicator Name, Methodology, units

Viene ridotto il set di dati per concentrarsi su 4 indicatori chiave della salute. Nello specifico: la prevalenza dell’obesità, l’uso di tabacco, le malattie cardiovascolari e l’obesità. Successivamente, selezioneremo solo le colonne contenenti il nome dell’indicatore e il valore KPI annuale. Infine, vengono create colonne aggiuntive per visualizzare la media annuale dal 2011 al 2016 e i miglioramenti degli indicatori dal 2011 al 2016.

i1 <- austinData %>%
  filter(`Indicator Name` %in% 
           c('Prevalence of Obesity', 'Prevalence of Tobacco Use', 
             'Prevalence of Cardiovascular Disease', 'Prevalence of Diabetes')) %>%
  select(c(`Indicator Name`, `2011`, `2012`, `2013`, `2014`, `2015`, `2016`)) %>%
  mutate (Average = round(rowMeans(
    cbind(`2011`, `2012`, `2013`, `2014`, `2015`, `2016`), na.rm=T),2), 
    `Improvement` = round((`2011`-`2016`)/`2011`*100,2))

formattable(i1)
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24.00
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30.00

Viene allineata a sinistra la prima colonna, a destra l’ultima colonna e centrato il resto. Inoltre, viene messo in grassetto e in grigio il titolo della riga: “Indicator Name”.

 #1)  First Data Table
formattable(i1, 
            align =c("l","c","c","c","c", "c", "c", "c", "r"), 
            list(`Indicator Name` = formatter(
              "span", style = ~ style(color = "grey",font.weight = "bold")) 
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24.00
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30.00

Aggiungendo la funzione color_tile a tutte le colonne relative agli anni. Questo crea l’effetto di una heatmap riga per riga, colonna per colonna. Notare che vengono utilizzati i colori personalizzati dichiarati all’inizio del codice per garantire che la tabella abbia l’aspetto che più si desidera.

#2) Add the color mapping for all 2011 to 2016.
formattable(i1, align =c("l","c","c","c","c", "c", "c", "c", "r"), list(
  `Indicator Name` = formatter("span", style = ~ style(color = "grey",font.weight = "bold")), 
  `2011`= color_tile(customGreen, customGreen0),
  `2012`= color_tile(customGreen, customGreen0),
  `2013`= color_tile(customGreen, customGreen0),
  `2014`= color_tile(customGreen, customGreen0),
  `2015`= color_tile(customGreen, customGreen0),
  `2016`= color_tile(customGreen, customGreen0)
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24.00
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30.00

Viene aggiunta la funzione color_bar alla colonna della media. Invece di utilizzare una heatmap, verrà visualizzato lo stesso colore di sfondo ogni volta. Tuttavia, avrà una barra per indicare la dimensione relativa dei valori riga per riga.

#3) Add the color bar to the average column
formattable(i1, align =c("l","c","c","c","c", "c", "c", "c", "r"), list(
  `Indicator Name` = formatter("span", style = ~ style(color = "grey",font.weight = "bold")), 
  `2011`= color_tile(customGreen, customGreen0),
  `2012`= color_tile(customGreen, customGreen0),
  `2013`= color_tile(customGreen, customGreen0),
  `2014`= color_tile(customGreen, customGreen0),
  `2015`= color_tile(customGreen, customGreen0),
  `2016`= color_tile(customGreen, customGreen0),
  `Average` = color_bar(customRed)
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24.00
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30.00

Si possono creare funzioni di formattazione in modo molto semplice. Viene applicata una leggera modifica per creare la funzione improvement_formatter, che rende il testo in grassetto e lo colora di rosso o verde personalizzato a seconda del suo valore.

#4) Add sign formatter to improvement over time

improvement_formatter <- 
  formatter("span", 
            style = x ~ style(
              font.weight = "bold", 
              color = ifelse(x > 0, customGreen, ifelse(x < 0, customRed, "black"))))



formattable(i1, align =c("l","c","c","c","c", "c", "c", "c", "r"), list(
  `Indicator Name` = 
    formatter("span", style = ~ style(color = "grey",font.weight = "bold")), 
  `2011`= color_tile(customGreen, customGreen0),
  `2012`= color_tile(customGreen, customGreen0),
  `2013`= color_tile(customGreen, customGreen0),
  `2014`= color_tile(customGreen, customGreen0),
  `2015`= color_tile(customGreen, customGreen0),
  `2016`= color_tile(customGreen, customGreen0),
  `Average` = color_bar(customRed),
  `Improvement` = improvement_formatter
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24.00
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30.00

E’ possibile modifcare leggermente il formato per visualizzare le frecce su e giù a seconda del valore del miglioramento. Notare che nel codice sopra, viene cambiato anche il formattatore per mostrare un simbolo del pollice in su sul valore di miglioramento vincente.

#5) For improvement formatter add icons
# Up and down arrow with greater than comparison from the vignette
improvement_formatter <- formatter("span", 
                                   style = x ~ style(font.weight = "bold", 
                                                     color = ifelse(x > 0, customGreen, ifelse(x < 0, customRed, "black"))), 
                                   x ~ icontext(ifelse(x>0, "arrow-up", "arrow-down"), x)
                                   )
formattable(i1, align =c("l","c","c","c","c", "c", "c", "c", "r"), list(
  `Indicator Name` = formatter("span", style = ~ style(color = "grey",font.weight = "bold")), 
  `2011`= color_tile(customGreen, customGreen0),
  `2012`= color_tile(customGreen, customGreen0),
  `2013`= color_tile(customGreen, customGreen0),
  `2014`= color_tile(customGreen, customGreen0),
  `2015`= color_tile(customGreen, customGreen0),
  `2016`= color_tile(customGreen, customGreen0),
  `Average` = color_bar(customRed),
  `Improvement` = improvement_formatter
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30

E’ possibile modificare la tabella, aggiungendo simboli per visualizzare quale kpi risulta migliore.

#6) Add a star to the max value.  Use  if/else value = max(value)
improvement_formatter <- formatter("span", 
                                   style = x ~ style(font.weight = "bold", 
                                                     color = ifelse(x > 0, customGreen, ifelse(x < 0, customRed, "black"))), 
                                   x ~ icontext(ifelse(x == max(x), "thumbs-up", ""), x)
)
## Based on Name
formattable(i1, align =c("l","c","c","c","c", "c", "c", "c", "r"), list(
  `Indicator Name` = formatter("span",
                     style = x ~ style(color = "gray"),
                     x ~ icontext(ifelse(x == "Prevalence of Tobacco Use", "star", ""), x)), 
  `2011`= color_tile(customGreen, customGreen0),
  `2012`= color_tile(customGreen, customGreen0),
  `2013`= color_tile(customGreen, customGreen0),
  `2014`= color_tile(customGreen, customGreen0),
  `2015`= color_tile(customGreen, customGreen0),
  `2016`= color_tile(customGreen, customGreen0),
  `Average` = color_bar(customRed),
  `Improvement` = improvement_formatter
))
Indicator Name 2011 2012 2013 2014 2015 2016 Average Improvement
Prevalence of Obesity 19.1 23.6 23.3 20.5 24.0 23.2 22.28 -21.47
Prevalence of Tobacco Use 17.4 15.0 15.3 12.2 16.6 16.7 15.53 4.02
Prevalence of Cardiovascular Disease 5.0 4.9 1.5 4.4 4.9 6.2 4.48 -24
Prevalence of Diabetes 8.0 7.2 9.3 7.2 7.5 10.4 8.27 -30

Infine, è possibile fare un semplice confronto riga per riga tra colonne. Prendendo lo stesso set di dati, viene ridotto ai soli dati del 2015 e del 2016. Confrontando quindi i valori e segnalando la colonna del 2016 come “su/giù” e verde/rossa, basandosi sul confronto del valore del 2016 con quello del 2015.

##7)  Compare column to column
#Drop the rest and show just 2015 and 2016
i2 <- austinData %>%
  filter(`Indicator Name` %in% c('Prevalence of Obesity', 'Prevalence of Tobacco Use', 'Prevalence of Cardiovascular Disease', 'Prevalence of Diabetes')) %>%
  select(c(`Indicator Name`, `2015`, `2016`)) 
formattable(i2, align =c("l","c","c"), list(
  `Indicator Name` = formatter("span",style = ~ style(color = "gray")), 
  `2016`= formatter("span", style = ~ style(color = ifelse(`2016`>`2015`, "red", "green")), ~ icontext(ifelse(`2016` >`2015`,"arrow-up", "arrow-down"), `2016`))
))
Indicator Name 2015 2016
Prevalence of Obesity 24.0 23.2
Prevalence of Tobacco Use 16.6 16.7
Prevalence of Cardiovascular Disease 4.9 6.2
Prevalence of Diabetes 7.5 10.4

Bibliografia e Sitologia